ランダムフォレストとは？仕組みと使い方をわかりやすく解説

機械学習の世界で「ランダムフォレスト」という言葉を聞く機会が増えています。分類・回帰・異常検知など、多くの課題で高精度を発揮する定番モデルです。しかし「なぜこれほど安定するのか」「どう調整すれば良いのか」を正確に理解している人は意外と少ないかもしれません。

ランダムフォレストの本質は、「1人の判断ではなく、チームで多数決を取る」という考え方です。複数の決定木を組み合わせ、意見の偏りを平均化することで、過学習を抑え、汎化性能を高めます。

この記事を読めば、仕組み・使い方・調整方法が理解できます。

監修者プロフィール

森下浩志

日本最大級のAI情報プラットフォーム「romptn ai」編集長。著書に「0からはじめるStable Diffusion」「0からはじめるStable Diffusion モデル・拡張機能集編」など、AmazonベストセラーのAI関連書籍を多数執筆。AIにおける情報の非対称性を解消するための社内研修や出張講義も行う。

ランダムフォレストの全体像

ランダムフォレストは、多数の決定木を組み合わせて予測を安定させるアンサンブル学習手法です。単一の決定木が「1人の専門家」なら、ランダムフォレストは「100人の専門家による合議制」。それぞれが少しずつ異なるデータから学び、最後に多数決や平均で結論を出します。この“森の知恵”がモデル精度を高める仕組みです。

どんな課題に使えるか

• 分類：顧客離反予測、スパム検知、画像認識
• 回帰：売上・需要・価格予測
• 異常検知：センサー／ログデータ解析

特長

• スケーリング不要（木構造のためスケール不変）
• 欠損値・外れ値に強い
• 線形関係に限定されず、非線形構造も学習可能

視覚イメージ
多数の木がデータの異なる部分を見て学び、最終的に全員の意見を平均化。一本の木のブレを「森全体の安定」で打ち消す構造です。

仕組みの直感：バギングと多数決

ランダムフォレストの核となるのは「バギング（Bagging）」です。同じデータからランダムサンプリングした複数の部分集合を作り、それぞれ別々の決定木を学習します。

• 分類：多数決で結果を決める
• 回帰：各木の予測値を平均する

バギングの効果
個々の木の誤差が平均化され、バリアンス（変動）が小さくなる。つまり、過学習に強く、再現性の高いモデルが得られます。

決定木との違い

最小実装ガイド（すぐ動かせるコード）

ランダムフォレストは scikit-learn で簡単に実装できます。以下のコードを動かせば、基本的な仕組みと出力の流れが体験できます。

分類（Irisデータ）

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report

X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

model = RandomForestClassifier(random_state=42)
model.fit(X_train, y_train)

print(classification_report(y_test, model.predict(X_test)))
print("平均精度:", cross_val_score(model, X, y, cv=5).mean())

実行イメージ
このコードを走らせると、各クラスの精度（Precision／Recall／F1）が出力されます。
“森”がどの程度の汎化性能を持つかを数値で確認できます。

回帰（California Housing）

from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_absolute_error

X, y = fetch_california_housing(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

model = RandomForestRegressor(random_state=42)
model.fit(X_train, y_train)
print("MAE:", mean_absolute_error(y_test, model.predict(X_test)))

前処理と評価指標

• 欠損値：SimpleImputerで補完
• カテゴリ変数：LabelEncoder or OneHotEncoder
• 外れ値：分布を確認して影響を抑える
• スケーリング：不要（scikit-learn公式でも推奨なし）

評価指標

• 分類：Accuracy／F1／ROC-AUC／PR-AUC
• 回帰：MAE／RMSE／R²

「PR-AUC」は不均衡データに強い指標として有効です。

ハイパーパラメータ設計の勘所

ここからは“モデル精度”を高めるための設定です。すべてを調整する必要はなく、まず以下の4つだけを押さえれば十分です。

調整のコツ

• 精度が安定しない → 木を増やす
• 過学習傾向 → 深さを浅く／葉数を増やす
• 学習が遅い → 木の本数・特徴量数を制限

「木を増やせば良い」は誤解。精度が飽和する点で止めることが、現場の最適化です。

実務でハマりやすいポイントとチェックリスト

不均衡データ

• class_weight="balanced"
• 指標を F1／PR-AUC に切り替える
• サンプル数が極端な場合は SMOTE などを使用

特徴量重要度の偏り

feature_importances_ は「分割によるジニ不純度の減少量」を指標とするため、値の範囲が広い連続特徴量や分散の大きい特徴に偏りがちです。

対策

• Permutation Importance：入れ替えによる精度低下を計測
• SHAP値：各特徴の寄与方向と影響度を可視化

欠損・カテゴリ・外れ値

• 欠損：平均・中央値で補完
• カテゴリ：エンコードして数値化
• 外れ値：分布を可視化して影響を確認

学習速度・メモリ

• n_jobs=-1 で並列化
• 木の本数／特徴量数を調整
• データが巨大な場合はサブサンプリング

データリーク防止

• 学習データと検証データを厳密に分離
• 時系列では未来情報を含めない
• クロスバリデーション時もグループ単位を意識

他手法との使い分け（意思決定表）

ここまででランダムフォレストの仕組みと使い方を理解しました。
次に、他の主要モデルとの役割分担と選び方を整理します。

FAQ（よくある質問）

Q1. ランダムフォレストとブースティング（XGBoostなど）はどう違いますか？
→ ランダムフォレストは、複数の木を独立に学習させて平均化する手法（＝バギング）です。
ブースティングは、前の木の誤りを順番に補正しながら学習します。そのため精度は高くなりやすい反面、チューニングが難しく過学習しやすい傾向があります。

Q2. feature_importances_の値はどこまで信頼できますか？
→ 指標自体は有用ですが、連続値の特徴量に偏る傾向があります。分布の幅が広い特徴が高く評価されやすいため、Permutation ImportanceやSHAP値と併用すると安心です。特に業務で説明責任がある場合はSHAPの可視化を使うと理解しやすくなります。

Q3. 欠損値や外れ値が多いデータでも使えますか？
→ 比較的強いですが、完全放置は避けるべきです。欠損値は SimpleImputer で平均・中央値補完、外れ値は分布を確認して調整する程度の前処理で十分。この“軽い手入れ”がモデル安定化のポイントです。

Q4. 精度が伸びないときは何を見直せばいいですか？
→ まず データ前処理 → 評価指標 → ハイパーパラメータ の順で確認しましょう。特に max_depth・n_estimators・max_features の3項目が最も影響します。不均衡データでは指標をAccuracyではなくF1やPR-AUCに切り替えるのも効果的です。

Q5. 実務ではどんな場面に向いていますか？
→ ノイズや欠損を含む現実的なデータに強く、ビジネス領域での初期モデル（ベースライン）に最適です。需要予測・顧客離反分析・異常検知など、まず「全体傾向を把握したい」ときに重宝します。複雑なモデルに進む前の“安定基準”として活用されることが多いです。

まとめ

ランダムフォレストは、「多数の木によるチーム判断」で安定性と汎化性能を両立するアンサンブル学習手法です。実務で支持される理由は、扱いやすさと精度のバランスにあります。

• 森全体で判断する仕組みを理解する
• scikit-learnで実装・評価が簡単
• 木の数・深さ・特徴量で精度が決まる
• 不均衡データや特徴量偏りを事前に意識する
• 他手法と比較して最適なモデルを選ぶ

例えば、販売データを用いた需要予測や顧客離反分析など、「多少のノイズを含むデータを安定的に扱いたい」場面で特に効果を発揮します。まずは小規模データで自分の“森”を育て、挙動を体感してみてください。